CN110929759A - 检测模型的训练装置、方法及心电数据处理方法、装置 - Google Patents

检测模型的训练装置、方法及心电数据处理方法、装置 Download PDF

Info

Publication number
CN110929759A
CN110929759A CN201911018261.5A CN201911018261A CN110929759A CN 110929759 A CN110929759 A CN 110929759A CN 201911018261 A CN201911018261 A CN 201911018261A CN 110929759 A CN110929759 A CN 110929759A
Authority
CN
China
Prior art keywords
characteristic value
energy
data sample
detection model
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911018261.5A
Other languages
English (en)
Other versions
CN110929759B (zh
Inventor
朱宝峰
何光宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201911018261.5A priority Critical patent/CN110929759B/zh
Publication of CN110929759A publication Critical patent/CN110929759A/zh
Application granted granted Critical
Publication of CN110929759B publication Critical patent/CN110929759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开一种心肌缺血检测模型的训练装置、方法及心电数据的处理方法、装置以及相关设备，所述装置包括：提取单元，用于提取心电数据样本的第一波形特征值；其中，所述第一波形特征值包括用于表征所述心电数据样本的ST段抬高的特征值和所述ST段下移的特征值；第一确定单元，用于确定所述心电数据样本经过小波变换后得到的能量系数；第二确定单元，用于基于所述能量系数，确定所述心电数据样本的能量特征值；训练单元，用于基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。本申请结合波性特征值和能量特征值对心肌缺血检测模型进行训练，得到的训练结果更准确。

Description

检测模型的训练装置、方法及心电数据处理方法、装置
技术领域
本申请涉及数据处理领域，具体涉及一种心肌缺血检测模型的训练装置、方法及一种心电数据的处理方法、装置以及相关设备。
背景技术
心电数据是指对心脏进行监测后得到的心电信号，通过对心电数据的分析，能够获知对应的心脏跳动规律，能够作为诊断各种心脑血管疾病(如心肌缺血等)的辅助信息。
目前，在心电数据的处理方法中，通常利用检测模型进行处理，而对检测模型的训练通常仅基于心电数据的波性特征，而仅基于波形特征对检测模型(例如心肌缺血检测模型)进行训练得到的经过训练的检测模型不能全面提取到心电数据的特征，最终可能导致基于该检测模型对心电数据进行处理得到的处理结果不准确。
发明内容
有鉴于此，本申请提供了一种心肌缺血检测模型的训练装置、方法及一种心电数据的处理方法、装置以及相关设备，基于心电数据的波形特征和能量特征对检测模型进行训练，使得利用经过训练的检测模型对心电数据的处理更准确。
第一方面，为实现上述发明目的，本申请提供了一种心肌缺血检测模型的训练装置，所述装置包括：
提取单元，用于提取心电数据样本的第一波形特征值；其中，所述第一波形特征值包括用于表征所述心电数据样本的ST段抬高的特征值和所述ST段下移的特征值；
第一确定单元，用于确定所述心电数据样本经过小波变换后得到的能量系数；
第二确定单元，用于基于所述能量系数，确定所述心电数据样本的能量特征值；
训练单元，用于基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
一种可选的实施方式中，所述装置还包括：
获取单元，用于获取所述心电数据样本的QRS波的起点和终点之间的连线的斜率；
第三确定单元，用于将所述斜率的绝对值确定为所述心电数据样本的第二波形特征值；
相应的，所述训练单元，具体用于基于所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
一种可选的实施方式中，所述第一确定单元，包括：
小波变换子单元，用于对所述心电数据样本进行n阶小波变换，得到n层能量系数；其中，所述能量系数包括近似系数和细节系数，n为不小于2的自然数；
相应的，所述第二确定单元，包括：
计算子单元，用于计算第n层近似系数的能量值以及各层细节系数的能量值之和；
确定子单元，用于基于所述第n层近似系数的能量值与所述各层细节系数的能量值之和的比值，确定所述心电数据样本的能量特征值。
一种可选的实施方式中，所述小波变换子单元，包括：
第一提取子单元，用于基于所述心电数据样本的R波位置，从所述心电数据样本中提取待变换心电数据；其中，所述待变换心电数据为一个完整心搏周期的心电数据或ST段的心电数据；
变换子单元，用于对所述待变换心电数据进行n阶小波变换，得到n层能量系数。
一种可选的实施方式中，所述心肌缺血检测模型由支持向量机实现；
所述训练单元，包括：
设置子单元，用于为所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值分别设置缩放因子；
训练子单元，用于基于设置缩放因子的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述支持向量机进行训练，得到经过训练的支持向量机。
一种可选的实施方式中，所述提取单元，包括：
第二提取子单元，用于从所述心电数据样本的QRS波的终点到T波的峰值的数据段中，选取预设个数的采样点；将各个采样点的幅值与预先确定的基准电压之差的绝对值进行累加，得到用于表征所述心电数据样本的ST段抬高的特征值；
第三提取子单元，用于从所述心电数据样本的QRS波的终点到下一次达到所述基准电压的点的数据段中，选取预设个数的采样点；将各个采样点的幅值与所述基准电压之差的绝对值进行累加，得到中间值；将所述中间值与所述QRS波的峰值的绝对值的比值，作为用于表征所述心电数据样本的ST段下移的特征值。
第二方面，本申请实施例还提供了一种心肌缺血检测模型的训练方法，所述方法包括：
提取心电数据样本的第一波形特征值；其中，所述第一波形特征值包括用于表征所述心电数据样本的ST段抬高的特征值和所述ST段下移的特征值；
确定所述心电数据样本经过小波变换后得到的能量系数；
基于所述能量系数，确定所述心电数据样本的能量特征值；
基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
一种可选的实施方式中，所述方法还包括：
获取所述心电数据样本的QRS波的起点和终点之间的连线的斜率；
将所述斜率的绝对值确定为所述心电数据样本的第二波形特征值；
相应的，所述基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型，具体包括：
基于所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
一种可选的实施方式中，所述确定所述心电数据样本经过小波变换后得到的能量系数，包括：
对所述心电数据样本进行n阶小波变换，得到n层能量系数；其中，所述能量系数包括近似系数和细节系数，n为不小于2的自然数；
相应的，所述基于所述能量系数，确定所述心电数据样本的能量特征值，包括：
计算第n层近似系数的能量值以及各层细节系数的能量值之和；
基于所述第n层近似系数的能量值与所述各层细节系数的能量值之和的比值，确定所述心电数据样本的能量特征值。
一种可选的实施方式中，所述对所述心电数据样本进行n阶小波变换，得到n层能量系数，包括：
基于所述心电数据样本的R波位置，从所述心电数据样本中提取待变换心电数据；其中，所述待变换心电数据为一个完整心搏周期的心电数据或ST段的心电数据；
对所述待变换心电数据进行n阶小波变换，得到n层能量系数。
一种可选的实施方式中，所述心肌缺血检测模型由支持向量机实现；
所述基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型，包括：
为所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值分别设置缩放因子；
基于设置缩放因子的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述支持向量机进行训练，得到经过训练的支持向量机。
一种可选的实施方式中，所述提取心电数据样本的第一波形特征值，包括：
从所述心电数据样本的QRS波的终点到T波的峰值的数据段中，选取预设个数的采样点；将各个采样点的幅值与预先确定的基准电压之差的绝对值进行累加，得到用于表征所述心电数据样本的ST段抬高的特征值；
以及，从所述心电数据样本的QRS波的终点到下一次达到所述基准电压的点的数据段中，选取预设个数的采样点；将各个采样点的幅值与所述基准电压之差的绝对值进行累加，得到中间值；将所述中间值与所述QRS波的峰值的绝对值的比值，作为用于表征所述心电数据样本的ST段下移的特征值。
第三方面，本申请还提供了一种心电数据的处理方法，所述方法包括：
提取待处理心电数据的第一波形特征值；其中，所述第一波形特征值包括用于表征所述待处理心电数据的ST段抬高的特征值和所述ST段下移的特征值；
确定所述待处理心电数据经过小波变换后得到的能量系数；
基于所述能量系数，确定所述待处理心电数据的能量特征值；
利用基于上述任一项心肌缺血检测模型的训练方法得到的经过训练的心肌缺血检测模型，对所述待处理心电数据的所述第一波形特征值和所述能量特征值进行处理，得到处理结果。
第四方面，本申请还提供了一种心电数据的处理装置，所述装置包括：
提取模块，用于提取待处理心电数据的第一波形特征值；其中，所述第一波形特征值包括用于表征所述待处理心电数据的ST段抬高的特征值和所述ST段下移的特征值；
第一确定模块，用于确定所述待处理心电数据经过小波变换后得到的能量系数；
第二确定模块，用于基于所述能量系数，确定所述待处理心电数据的能量特征值；
处理模块，用于利用基于上述任一项心肌缺血检测模型的训练装置得到的经过训练的心肌缺血检测模型，对所述待处理心电数据的所述第一波形特征值和所述能量特征值进行处理，得到处理结果。
第五方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述任一项所述的方法。
第六方面，本申请还提供了一种设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述任一项所述的方法。
本申请提供的心肌缺血检测模型的训练装置、方法、心电数据的处理方法、装置以及相关设备，能够基于心电数据的波形特征和能量特征对心肌缺血检测模型进行训练，使得利用经过训练的心肌缺血检测模型对心电数据的处理更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种心肌缺血检测模型的训练装置的结构示意图；
图2为本申请实施例提供的一种心电数据的示意图；
图3为本申请实施例提供的一种三阶Daubechies 8离散小波变换分解层次图；
图4为本申请实施例提供的另一种心肌缺血检测模型的训练装置的结构示意图；
图5为本申请实施例提供的一种心肌缺血检测模型的训练方法的流程图；
图6为本申请实施例提供的一种心电数据的处理方法的流程图；
图7为本申请实施例提供的一种心电数据的处理装置的结构示意图；
图8为本申请实施例提供的一种心肌缺血检测模型的训练设备的结构图；
图9为本申请实施例提供的一种心电数据的处理设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，对于心肌缺血检测模型的训练方法，仅基于波形特征提取心电数据的特征值，显然，提取到的特征值不能全面反映心电数据的特征，最终可能导致基于提取到的特征对心肌缺血检测模型进行训练不准确，最终导致利用经过训练的心肌缺血检测模型对心电数据进行处理的结果不准确。
为此，本申请提供了一种心肌缺血检测模型的训练方法，不仅基于波性特征提取心电数据的波性特征值，而且从能量的角度提取心电数据的能量特征值，最终结合波性特征值和能量特征值对心肌缺血检测模型进行训练，得到更准确的训练结果，基于经过训练的心肌缺血检测模型对心电数据进行处理，得到的处理结果更准确。
以下本申请提供了一种心肌缺血检测模型的训练装置，参考图1，为本申请实施例提供的一种心肌缺血检测模型的训练装置的结构示意图。其中，所述装置包括：
提取单元101，用于提取心电数据样本的第一波形特征值；其中，所述第一波形特征值包括用于表征所述心电数据样本的ST段抬高的特征值和所述ST段下移的特征值；
第一确定单元102，用于确定所述心电数据样本经过小波变换后得到的能量系数；
第二确定单元103，用于基于所述能量系数，确定所述心电数据样本的能量特征值；
训练单元104，用于基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
参考图2，为本申请实施例提供的一种心电数据的示意图，其中，心电数据包括P、Q、R、S、T波，S波到T波的波段通常称为ST段，如图2中J所指的位置为ST段。本申请实施例中的心电数据样本包括若干如图2所示的心电数据。
由于心电数据的ST段的形态特征能够反映出正常人与心脑血管病人的心电数据的区别，因此，本申请实施例可以对心电数据的ST段进行波形特征的提取，以便得到用于表征心电数据的波形特点的第一波形特征值。
一种可选的实现方式中，首先可以通过Christov方式对待处理心电数据进行主峰检测，然后对待处理心电数据进行微分标准化，接着利用移动窗口法及zero-crossing过零法对微分标准化的心电数据进行检测，分别检测出Q、R、S、T波的峰值位置、幅值大小以及各个波的起始点onset和结束点offset的位置等，最终，基于确定出的S波和T波的波峰位置确定ST段。
实际应用中，对于提取模块101，可以提取心电数据样本的ST段抬高的特征值以及ST段下移的特征值，用于更具体的反映该心电数据样本的ST段的波形特征。
一种可选的实施方式中，所述提取单元101，可以包括：
第二提取子单元，用于从所述心电数据样本的QRS波的终点到T波的峰值的数据段中，选取预设个数的采样点；将各个采样点的幅值与预先确定的基准电压之差的绝对值进行累加，得到用于表征所述心电数据样本的ST段抬高的特征值；
第三提取子单元，用于从所述心电数据样本的QRS波的终点到下一次达到所述基准电压的点的数据段中，选取预设个数的采样点；将各个采样点的幅值与所述基准电压之差的绝对值进行累加，得到中间值；将所述中间值与所述QRS波的峰值的绝对值的比值，作为用于表征所述心电数据样本的ST段下移的特征值。
实际应用中，首先，从心电数据样本的QRS波的终点到T波的峰值的数据段中，选取预设个数的采样点；其次，将各个采样点的幅值与预先确定的基准电压之差的绝对值进行累加，得到用于表征该心电数据样本的ST段抬高的特征值。其中，QRS波是指由Q波、R波和S波组成的波，如图2所示的QRS波。
本申请实施例中，在得到用于表征心电数据样本的ST段抬高的特征值之前，首先确定心电数据样本的基准电压。具体的，假如心电数据样本包括至少n个心搏信号，则可以将心电数据样本的前n个心搏信号的QRS波的onset幅值的算数平均值预先确定为基准电压
Figure BDA0002246381770000081
其中，n为自然数，例如为10。
在确定基准电压后，从心电数据样本的QRS波的终点到T波的峰值的数据段中，选取i个采样点，然后计算该i个采样点的幅值分别与基准电压
Figure BDA0002246381770000091
之差的绝对值，接着将各个绝对值累加得到用于表征该心电数据样本的ST段抬高的特征值。
具体的，可以利用以下公式(1)计算用于表征该心电数据样本的ST段抬高的特征值：
Figure BDA0002246381770000092
其中，feature1表示用于表征该心电数据样本的ST段抬高的特征值；T peak表示T波的峰值；fecg(i)表示第i个采样点的幅值。
另外，对于计算用于表征心电数据样本的ST段下移的特征值，一种可选的实施方式中，首先，从心电数据样本的QRS波的终点到下一次达到基准电压的点的数据段中，选取预设个数的采样点；然后，将各个采样点的幅值与所述基准电压之差的绝对值进行累加，得到中间值；最终，将所述中间值与所述QRS波的峰值的绝对值的比值，作为用于表征所述心电数据样本的ST段下移的特征值。
其中，对于基准电压的确定方法可参照上述实施方式，在此不做赘述。在确定基准电压后，从心电数据样本的QRS波的终点到下一次达到基准电压的点的数据段中，选取i个采样点，分别计算各个采样点的幅值与基准电压的差值，然后，计算该差值与QRS波的峰值的绝对值的比值，最终，将以QRS波的终点开始到再次回到基准电压的数据段中各个采样点分别对应的上述比值进行累加，作为用于表征该心电数据样本的ST段下移的特征值。
具体的，可以利用以下公式(2)计算用于表征该心电数据样本的ST段下移的特征值：
Figure BDA0002246381770000093
其中，feature2表示用于表征该心电数据样本的ST段下移的特征值；QRS peak表示QRS波的峰值；fecg(QRS peak)表示QRS波的峰值的幅值；fecg(i)表示第i个采样点的幅值；F为以QRS波的终点开始到再次回到基准电压的采样点的位置。
值得注意的是，第一波形特征值还可以包括其他提取方式，本申请实施例对此不作限制。
对于第一确定单元102，为了更全面的描述心电数据样本的特征，本申请实施例还可以从能量特征的角度对心电数据样本进行特征提取，在提取心电数据样本的能量特征值之前，首先确定心电数据样本经过小波变换后得到的能量系数，以便后续基于能量系数提取能量特征值。其中，能量系数为从能量特征的角度描述心电数据样本的一个参数。
实际应用中，第一确定单元102可以包括小波变换子单元，用于对所述心电数据样本进行n阶小波变换，得到n层能量系数；其中，所述能量系数包括近似系数和细节系数，n为不小于2的自然数；
相应的，所述第二确定单元103，包括：
计算子单元，用于计算第n层近似系数的能量值以及各层细节系数的能量值之和；
确定子单元，用于基于所述第n层近似系数的能量值与所述各层细节系数的能量值之和的比值，确定所述心电数据样本的能量特征值。
其中，近似系数用于表征信号小波分解重构的低频部分信息，细节系数用于表征信号的高频部分信息。
一种可选的实施方式中，为了能够得到更准确的能量系数，在对心电数据样本进行小波变换之前，首先需要从心电数据样本中提取到一个完整心搏周期的心电数据或ST段的心电数据作为待变换心电数据。然后，将对该待变换心电数据进行n阶小波变换，得到n层能量系数。
一种可选的实施方式中，小波变换子单元，可以包括：
第一提取子单元，用于基于所述心电数据样本的R波位置，从所述心电数据样本中提取待变换心电数据；其中，所述待变换心电数据为一个完整心搏周期的心电数据或ST段的心电数据；
变换子单元，用于对所述待变换心电数据进行n阶小波变换，得到n层能量系数。
实际应用中，可以基于心电数据样本的R波位置确定的一个完整心搏周期的心电数据或ST段的心电数据。以一种提取一个完整心搏周期的心电数据作为待转换心电数据为例，首先，以主峰检测的位置作为R波位置，以此R波位置为中心，向后截取时间窗为0.2s的心电数据，再以此相同R波位置为中心，向前截取时间窗为0.46s的心电数据，并将二者进行拼接得到拼接后0.66s的心电数据，作为待转换心电数据。
本申请实施例中，在得到待转换心电数据之后，对其进行n阶小波变换，得到n层能量系数，其中，能量系数包括近似系数和细节系数。以下以对待转换心电数据进行三阶Daubechies 8离散小波变换为例，参考图3，为本申请实施例提供的一种三阶Daubechies 8离散小波变换分解层次图。具体的，对待转换心电数据进行三阶Daubechies 8离散小波变换后得到的第一层能量系数包括近似系数A1和细节系数D1，第二层能量系数包括近似系数AA2和细节系数DA2，第三层能量系数包括近似系数AAA3和细节系数DAA3。
对于第二确定单元103，基于所述能量系数，确定所述,心电数据样本的能量特征值。
本申请实施例中，在确定心电数据样本经过小波变换后得到的能量系数之后，基于能量系数计算心电数据样本的能量特征值。
一种可选的实施方式中，首先，计算第n层近似系数的能量值以及各层细节系数的能量值之和；其次，基于所述第n层近似系数的能量值与所述各层细节系数的能量值之和的比值，确定所述心电数据样本的能量特征值。
其中，可以利用公式(3)计算各个能量系数的能量值；
Figure BDA0002246381770000111
其中，Wm，n表示小波变换后第m层的第n个能量系数；Em表示小波变换后第m层的第n个能量系数的能量值。
以图3中的心电数据样本经过三阶Daubechies 8离散小波变换得到的能量系数为例，首先利用公式(3)计算各个能量系数的能量值，包括EAAA3、EDAA3、EDA2、ED1；其中，EAAA3表示近似系数AAA3的能量值；EDAA3表示细节系数DAA3的能量值；EDA2表示细节系数DA2的能量值；ED1表示近似系数D1的能量值。
然后，利用公式(4)确定心电数据样本的能量特征值；
Figure BDA0002246381770000121
其中，FE3表示心电数据样本的能量特征值，EAAA3＝AAA32，EDAA3＝DAA32，EDA2＝DA22，ED1＝D12。
对于训练模块104，基于心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
本申请实施例中，在提取到心电数据样本的第一波形特征值和能量特征值后，结合第一波形特征值和能量特征值对心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
一种可选的实现方式中，所述心肌缺血检测模型可以由支持向量机实现；
所述训练单元104，可以包括：
设置子单元，用于为所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值分别设置缩放因子；
训练子单元，用于基于设置缩放因子的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述支持向量机进行训练，得到经过训练的支持向量机。
实际应用中，在基于支持向量机实现的心肌缺血检测模型经过训练后，可以对待处理心电数据进行处理。由于第一波形特征值与能量特征值的数量级相差较大，支持向量机可能忽略数量级明显小的第一波形特征值，不利于支持向量机对特征的学习，因此，本申请实施例需要设置缩放因子，通常对于第一波形特征值设置的缩放因子为1，即不对其进行缩放，而为了降低第一波形特征值与能量特征值的数量级差异，为能量特征值设置的缩放因子为0.000001-0.000009，即降低能量特征值的数量级，使得利用支持向量机能够同时处理待处理心电数据的第一波形特征值与能量特征值。
在为心电数据样本的第一波形特征值和能量特征值设置缩放因子之后，将设置缩放因子的第一波形特征值和能量特征值输入至支持向量机，实现对基于支持向量机实现的心肌缺血检测模型进行训练。利用经过训练的支持向量机对待处理心电数据进行处理后，输出待处理心电数据的处理结果。
实际应用中，由于心电数据样本的第一波形特征值和能量特征值呈非线性分布，因此，可以选用rbf径向基函数作为支持向量机的核函数。在支持向量机中，惩罚系数C越大，损失函数也会越大，这表明不愿意放弃比较远的离群点，会有更加多的支持向量，也就是说支持向量和超平面的模型也会变得越复杂，更容易过拟合。反之，当C比较小时，意味着放弃离群点，会选择较少的样本来做支持向量，最终的支持向量和超平面的模型也会相对简单。参数γ主要定义单个样本对整个分类超平面的影响，当γ比较小时，单个样本对整个分类超平面的影响比较小，不容易被选择为支持向量。反之，当γ比较大时，单个样本对整个分类超平面的影响比较大，更容易被选择为支持向量，或者说整个模型的支持向量也会更多。本申请实施例可以采用网格搜索方式在[0.01,100]的范围内搜索以确定C和γ的值。另外，本申请实施例还可以采取交叉验证的方式，其中，交叉验证系数选择4，表示将训练集分成4份来进行交叉验证。为了提升对支持向量机的训练速度，可以选取最大迭代次数为至少1000次。
本申请实施例提供的心肌缺血检测模型的训练装置、方法、心电数据的处理方法、装置以及相关设备中，能够基于心电数据的波形特征和能量特征对心肌缺血检测模型进行训练，使得利用经过训练的心肌缺血检测模型对心电数据的处理更准确。
另外，为了更全面的描述心电数据样本的特征，从而实现对心肌缺血检测模型更准确的训练，本申请实施例还可以提取心电数据样本的第二波形特征值，并结合上述实施例中得到第一波性特征值和能量特征值，对心肌缺血检测模型进行训练，最终利用经过训练的心肌缺血检测模型实现对待处理心电数据更精确的处理。
参考图4，为本申请实施例提供的另一种心肌缺血检测模型的训练装置的结构示意图，该装置在包括图1中各个单元的基础上，还可以包括：
获取单元401，用于获取所述心电数据样本的QRS波的起点和终点之间的连线的斜率；
第三确定单元402，用于将所述斜率的绝对值确定为所述心电数据样本的第二波形特征值；
相应的，所述训练单元104，具体用于基于所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
,由于心电数据有着较强的噪声与随机性，对心电数据的质量有着非常大的影响，因此，本申请实施例可以在提取待处理心电数据的各个特征之前，首先对待处理心电数据进行降噪。
一种可选的实施方式中，可以采用一维时序信号的多尺度高斯滤波方法对待处理心电信号进行降噪。其中，高斯滤波是一种线性平滑滤波器，本申请实施例可以通过加权平均的方式得到滤波后信号。具体的，一维高斯滤波器的表达式如下：
Figure BDA0002246381770000141
其中，σ是高斯函数的标准差，也可以称为模糊系数。计算高斯核函数，可分别取模糊半径γ＝γ1,γ2…γi，各自求出不同尺度下的高斯核G1,G2…Gi，然后依据预设权值w1，w2...wi对不同尺度下的高斯滤波器进行中心对齐整合，具体的可取如下权重：G＝w1×G1+w2×G2+…+wi×Gi，其中，
Figure BDA0002246381770000142
本申请实施例中，可以选取模糊系数σ＝2，三种尺度的模糊半径γ＝1,2,3，对应的权重系数w分别取为0.7,0.2,0.1，经过中心对齐加和后最终得到的多尺度高斯滤波器为：[0.01,0.02,0.14,0.65,0.14,0.02,0.01]。进一步，可以在高斯滤波器后设计一阶巴特沃斯带通滤波器，用于过滤掉0.25Hz-40Hz之外心电信号中的噪声部分，实现了对心电数据样本的整体去噪。
对于获取模块401，获取心电数据样本的QRS波的起点和终点之间的连线的斜率。
对于第三确定单元402，将所述斜率的绝对值作为所述心电数据样本的第二波形特征值。
为了进一步对心电数据样本的波形特征进行提取，本申请实施例还可以将QRS波的起点和终点之间的连线的斜率的绝对值作为心电数据样本的第二波形特征值。
一种可选的实施方式中，首先确定心电数据样本的QRS波的起点和终点的位置，然后计算起点和终点之间的连线的斜率，并将该斜率的绝对值确定为第二波形特征值。具体的，可以利用公式(5)计算心电数据样本的第二波形特征值：
Figure BDA0002246381770000151
其中，feature3表示心电数据样本的第二波形特征值；fecg(QRS offset)表示QRS波的终点的幅值；fecg(QRS onset)表示QRS波的起点的幅值。
值得注意的是，本申请实施例对于获取心电数据样本的第一波形特征值、能量特征值和第二波形特征值的执行顺序不作限制。
对于训练单元104，基于心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
本申请实施例中，在得到心电数据样本的第一波形特征值、能量特征值和第二波形特征值之后，结合上述三种特征值对心肌缺血检测模型进行训练，能够得到更准确的心肌缺血检测模型。
一种可选的实施方式中，首先，分别为心电数据的第一波形特征值、能量特征值和第二波形特征值设置缩放因子，例如，分别为第一波形特征值、能量特征值和第二波形特征值设置的缩放因子为1、0.000001-0.000009之间的数值、1；然后将设置缩放因子的三种特征值输入至基于支持向量机实现的心肌缺血检测模型中，得到经过训练的心肌缺血检测模型。
本申请实施例提供的心肌缺血检测模型的训练装置中，结合待处理心电数据的第一波形特征值、能量特征值和第二波形特征值，对心肌缺血检测模型进行训练，得到更准确的训练结果，基于经过训练的心肌缺血检测模型对待处理心电数据进行处理，能够得到更准确的处理结果。
基于上述装置实施方式，本申请还提供了一种心肌缺血检测模型的训练方法，参考图5，为本申请实施例提供的一种心肌缺血检测模型的训练方法的流程图，所述方法包括：
S501：提取心电数据样本的第一波形特征值；其中，所述第一波形特征值包括用于表征所述心电数据样本的ST段抬高的特征值和所述ST段下移的特征值；
S502：确定所述心电数据样本经过小波变换后得到的能量系数；
S503：基于所述能量系数，确定所述心电数据样本的能量特征值；
S504：基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
一种可选的实施方式中，该方法还可以包括：
获取所述心电数据样本的QRS波的起点和终点之间的连线的斜率；
将所述斜率的绝对值确定为所述心电数据样本的第二波形特征值；
相应的，所述基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型，具体包括：
基于所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
另外，所述确定所述心电数据样本经过小波变换后得到的能量系数，包括：
对所述心电数据样本进行n阶小波变换，得到n层能量系数；其中，所述能量系数包括近似系数和细节系数，n为不小于2的自然数；
相应的，所述基于所述能量系数，确定所述心电数据样本的能量特征值，包括：
计算第n层近似系数的能量值以及各层细节系数的能量值之和；
基于所述第n层近似系数的能量值与所述各层细节系数的能量值之和的比值，确定所述心电数据样本的能量特征值。
一种可选的实施方式中，所述对所述心电数据样本进行n阶小波变换，得到n层能量系数，包括：
基于所述心电数据样本的R波位置，从所述心电数据样本中提取待变换心电数据；其中，所述待变换心电数据为一个完整心搏周期的心电数据或ST段的心电数据；
对所述待变换心电数据进行n阶小波变换，得到n层能量系数。
另一种可选的实施方式中，所述心肌缺血检测模型由支持向量机实现；
所述基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型，包括：
为所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值分别设置缩放因子；
基于设置缩放因子的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述支持向量机进行训练，得到经过训练的支持向量机。
一种可选的实施方式中，所述提取心电数据样本的第一波形特征值，包括：
从所述心电数据样本的QRS波的终点到T波的峰值的数据段中，选取预设个数的采样点；将各个采样点的幅值与预先确定的基准电压之差的绝对值进行累加，得到用于表征所述心电数据样本的ST段抬高的特征值；
以及，从所述心电数据样本的QRS波的终点到下一次达到所述基准电压的点的数据段中，选取预设个数的采样点；将各个采样点的幅值与所述基准电压之差的绝对值进行累加，得到中间值；将所述中间值与所述QRS波的峰值的绝对值的比值，作为用于表征所述心电数据样本的ST段下移的特征值。
本申请实施例提供的心肌缺血检测模型的训练方法中，结合待处理心电数据的第一波形特征值、能量特征值和第二波形特征值，对心肌缺血检测模型进行训练，得到更准确的训练结果，基于经过训练的心肌缺血检测模型对待处理心电数据进行处理，能够得到更准确的处理结果。
另外，利用心肌缺血检测模型的训练方法得到的经过训练的心肌缺血检测模型，能够用于对心电数据的处理。具体的，本申请提供了一种心电数据的处理方法，参考图6，为本申请实施例提供的一种心电数据的处理方法的流程图，该方法可以包括：
S601：提取待处理心电数据的第一波形特征值；其中，所述第一波形特征值包括用于表征所述待处理心电数据的ST段抬高的特征值和所述ST段下移的特征值；
S602：确定所述待处理心电数据经过小波变换后得到的能量系数；
S603：基于所述能量系数，确定所述待处理心电数据的能量特征值；
S604：利用基于上述心肌缺血检测模型的训练方法得到的经过训练的心肌缺血检测模型，对所述待处理心电数据的所述第一波形特征值和所述能量特征值进行处理，得到处理结果。
对于心电数据的处理方法可参照上述心肌缺血检测模型的训练装置和方法的描述进行理解，在此不再赘述。
本申请实施例提供的心电数据的处理方法中，利用结合第一波形特征值、能量特征值和第二波形特征值训练得到的心肌缺血检测模型，对待处理心电数据进行处理，能够得到更准确的处理结果。
另外，基于上述心电数据的处理方法实施例，本申请还提供了一种心电数据的处理装置，参考图7，为本申请实施例提供的一种心电数据的处理装置的结构示意图，所述装置包括：
提取模块701，用于提取待处理心电数据的第一波形特征值；其中，所述第一波形特征值包括用于表征所述待处理心电数据的ST段抬高的特征值和所述ST段下移的特征值；
第一确定模块702，用于确定所述待处理心电数据经过小波变换后得到的能量系数；
第二确定模块703，用于基于所述能量系数，确定所述待处理心电数据的能量特征值；
处理模块704，用于利用基于上述心肌缺血检测模型的训练装置得到的经过训练的心肌缺血检测模型，对所述待处理心电数据的所述第一波形特征值和所述能量特征值进行处理，得到处理结果。
本申请实施例提供的心电数据的处理装置中，利用结合第一波形特征值、能量特征值和第二波形特征值训练得到的心肌缺血检测模型，对待处理心电数据进行处理，能够得到更准确的处理结果。
另外，本申请实施例还提供了一种心肌缺血检测模型的训练设备，参见图8所示，可以包括：
处理器801、存储器802、输入装置803和输出装置804。心肌缺血检测模型的训练设备中的处理器801的数量可以一个或多个，图8中以一个处理器为例。在本发明的一些实施例中，处理器801、存储器802、输入装置803和输出装置804可通过总线或其它方式连接，其中，图8中以通过总线连接为例。
存储器802可用于存储软件程序以及模块，处理器801通过运行存储在存储器802的软件程序以及模块，从而执行心肌缺血检测模型的训练设备的各种功能应用以及数据处理。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外，存储器802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置803可用于接收输入的数字或字符信息，以及产生与心肌缺血检测模型的训练设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中，处理器801会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中，并由处理器801来运行存储在存储器802中的应用程序，从而实现上述心肌缺血检测模型的训练方法中的各种功能。
另外，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述的心肌缺血检测模型的训练方法。
另外，本申请实施例还提供了一种心电数据的处理设备，参见图9所示，可以包括：
处理器901、存储器902、输入装置903和输出装置904。心电数据的处理设备中的处理器901的数量可以一个或多个，图9中以一个处理器为例。在本发明的一些实施例中，处理器901、存储器902、输入装置903和输出装置904可通过总线或其它方式连接，其中，图9中以通过总线连接为例。
存储器902可用于存储软件程序以及模块，处理器901通过运行存储在存储器902的软件程序以及模块，从而执行心电数据的处理设备的各种功能应用以及数据处理。存储器902可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外，存储器902可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置903可用于接收输入的数字或字符信息，以及产生与心电数据的处理设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中，处理器901会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器902中，并由处理器901来运行存储在存储器902中的应用程序，从而实现上述心电数据的处理方法中的各种功能。
另外，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述的心电数据的处理方法。
可以理解的是，对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的一种心肌缺血检测模型的训练装置、方法及一种心电数据的处理方法、装置以及相关设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种心肌缺血检测模型的训练装置，其特征在于，所述装置包括：
提取单元，用于提取心电数据样本的第一波形特征值；其中，所述第一波形特征值包括用于表征所述心电数据样本的ST段抬高的特征值和所述ST段下移的特征值；
第一确定单元，用于确定所述心电数据样本经过小波变换后得到的能量系数；
第二确定单元，用于基于所述能量系数，确定所述心电数据样本的能量特征值；
训练单元，用于基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
2.根据权利要求1所述的装置，其特征在于，所述装置还包括：
获取单元，用于获取所述心电数据样本的QRS波的起点和终点之间的连线的斜率；
第三确定单元，用于将所述斜率的绝对值确定为所述心电数据样本的第二波形特征值；
相应的，所述训练单元，具体用于基于所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
3.根据权利要求1所述的装置，其特征在于，所述第一确定单元，包括：
小波变换子单元，用于对所述心电数据样本进行n阶小波变换，得到n层能量系数；其中，所述能量系数包括近似系数和细节系数，n为不小于2的自然数；
相应的，所述第二确定单元，包括：
计算子单元，用于计算第n层近似系数的能量值以及各层细节系数的能量值之和；
确定子单元，用于基于所述第n层近似系数的能量值与所述各层细节系数的能量值之和的比值，确定所述心电数据样本的能量特征值。
4.根据权利要求3所述的装置，其特征在于，所述小波变换子单元，包括：
第一提取子单元，用于基于所述心电数据样本的R波位置，从所述心电数据样本中提取待变换心电数据；其中，所述待变换心电数据为一个完整心搏周期的心电数据或ST段的心电数据；
变换子单元，用于对所述待变换心电数据进行n阶小波变换，得到n层能量系数。
5.根据权利要求2所述的装置，其特征在于，所述心肌缺血检测模型由支持向量机实现；
所述训练单元，包括：
设置子单元，用于为所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值分别设置缩放因子；
训练子单元，用于基于设置缩放因子的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述支持向量机进行训练，得到经过训练的支持向量机。
6.根据权利要求1所述的装置，其特征在于，所述提取单元，包括：
第二提取子单元，用于从所述心电数据样本的QRS波的终点到T波的峰值的数据段中，选取预设个数的采样点；将各个采样点的幅值与预先确定的基准电压之差的绝对值进行累加，得到用于表征所述心电数据样本的ST段抬高的特征值；
第三提取子单元，用于从所述心电数据样本的QRS波的终点到下一次达到所述基准电压的点的数据段中，选取预设个数的采样点；将各个采样点的幅值与所述基准电压之差的绝对值进行累加，得到中间值；将所述中间值与所述QRS波的峰值的绝对值的比值，作为用于表征所述心电数据样本的ST段下移的特征值。
7.一种心肌缺血检测模型的训练方法，其特征在于，所述方法包括：
提取心电数据样本的第一波形特征值；其中，所述第一波形特征值包括用于表征所述心电数据样本的ST段抬高的特征值和所述ST段下移的特征值；
确定所述心电数据样本经过小波变换后得到的能量系数；
基于所述能量系数，确定所述心电数据样本的能量特征值；
基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
获取所述心电数据样本的QRS波的起点和终点之间的连线的斜率；
将所述斜率的绝对值确定为所述心电数据样本的第二波形特征值；
相应的，所述基于所述心电数据样本的所述第一波形特征值和所述能量特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型，具体包括：
基于所述心电数据样本的所述第一波形特征值、所述能量特征值和所述第二波形特征值，对所述心肌缺血检测模型进行训练，得到经过训练的心肌缺血检测模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求7-8任一项所述的方法。
10.一种设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求7-8任一项所述的方法。
CN201911018261.5A 2019-10-24 2019-10-24 检测模型的训练装置、方法及心电数据处理方法、装置 Active CN110929759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911018261.5A CN110929759B (zh) 2019-10-24 2019-10-24 检测模型的训练装置、方法及心电数据处理方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911018261.5A CN110929759B (zh) 2019-10-24 2019-10-24 检测模型的训练装置、方法及心电数据处理方法、装置

Publications (2)

Publication Number Publication Date
CN110929759A true CN110929759A (zh) 2020-03-27
CN110929759B CN110929759B (zh) 2023-04-07

Family

ID=69849382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911018261.5A Active CN110929759B (zh) 2019-10-24 2019-10-24 检测模型的训练装置、方法及心电数据处理方法、装置

Country Status (1)

Country Link
CN (1) CN110929759B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112137613A (zh) * 2020-09-01 2020-12-29 沈阳东软智能医疗科技研究院有限公司 异常位置的确定方法、装置、存储介质及电子设备
CN114027853A (zh) * 2021-12-16 2022-02-11 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107007278A (zh) * 2017-04-25 2017-08-04 中国科学院苏州生物医学工程技术研究所 基于多参数特征融合的自动睡眠分期方法
CN107239684A (zh) * 2017-05-22 2017-10-10 吉林大学 一种用于ecg身份识别的特征学习方法和系统
WO2018072170A1 (zh) * 2016-10-20 2018-04-26 哈尔滨工业大学深圳研究生院 基于ecg信号的身份识别方法及装置
CN109009079A (zh) * 2018-08-24 2018-12-18 广州杰赛科技股份有限公司 用户状态检测系统和方法、计算机设备、计算机存储介质
CN110226917A (zh) * 2019-06-26 2019-09-13 广州视源电子科技股份有限公司 心电信号类型检测方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072170A1 (zh) * 2016-10-20 2018-04-26 哈尔滨工业大学深圳研究生院 基于ecg信号的身份识别方法及装置
CN107007278A (zh) * 2017-04-25 2017-08-04 中国科学院苏州生物医学工程技术研究所 基于多参数特征融合的自动睡眠分期方法
CN107239684A (zh) * 2017-05-22 2017-10-10 吉林大学 一种用于ecg身份识别的特征学习方法和系统
CN109009079A (zh) * 2018-08-24 2018-12-18 广州杰赛科技股份有限公司 用户状态检测系统和方法、计算机设备、计算机存储介质
CN110226917A (zh) * 2019-06-26 2019-09-13 广州视源电子科技股份有限公司 心电信号类型检测方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112137613A (zh) * 2020-09-01 2020-12-29 沈阳东软智能医疗科技研究院有限公司 异常位置的确定方法、装置、存储介质及电子设备
CN112137613B (zh) * 2020-09-01 2024-02-02 沈阳东软智能医疗科技研究院有限公司 异常位置的确定方法、装置、存储介质及电子设备
CN114027853A (zh) * 2021-12-16 2022-02-11 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备
CN114027853B (zh) * 2021-12-16 2022-09-27 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备

Also Published As

Publication number Publication date
CN110929759B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US20200097850A1 (en) Machine learning apparatus and method based on multi-feature extraction and transfer learning, and leak detection apparatus using the same
Schlüter et al. Musical onset detection with convolutional neural networks
Gupta et al. FrWT-PPCA-based R-peak detection for improved management of healthcare system
CN110786850B (zh) 基于多特征稀疏表示的心电信号身份识别方法及系统
CN107391900B (zh) 房颤检测方法、分类模型训练方法及终端设备
Zhang et al. Towards heart sound classification without segmentation using convolutional neural network
CN110929759B (zh) 检测模型的训练装置、方法及心电数据处理方法、装置
CN109394205B (zh) 一种基于深度神经网络的心电信号分析方法
CN105726018A (zh) 一种与rr间期无关的房颤自动检测方法
CN108154085B (zh) 基于心电数据进行身份识别的方法、装置及电子设备
CN108387887A (zh) 一种水声信号的混合降噪方法
CN105849804A (zh) 过滤噪声的计算高效方法
CN111419213A (zh) 一种基于深度学习的ecg心电信号生成方法
CN111310589A (zh) 一种机械系统的故障诊断方法、故障诊断装置及终端
Vargas et al. Empirical mode decomposition, viterbi and wavelets applied to electrocardiogram noise removal
CN111067512A (zh) 心室颤动的检测装置、检测模型的训练装置、方法及设备
CN109584895B (zh) 语音降噪方法及装置
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其系统
Okuno et al. Combining multiple forecasts for multivariate time series via state-dependent weighting
CN107941324A (zh) 一种消费级惯性传感单元环境噪声的估计方法
CN110946573A (zh) 心脏停搏的检测装置、检测模型的训练装置、方法及设备
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
CN110101407A (zh) 一种胎心音去噪方法、系统、装置及存储介质
CN112001256A (zh) 混合信号去工频干扰方法及系统
CN113288169B (zh) 一种心电波形信号的波形识别方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant